Perhatian 5 Hal Krusial Menyusun Strategi Data Analitik
Get real time updates directly on you device, subscribe now.
| Jakarta, Itech– Tahun 2021 adalah saatnya bisnis menyusun ulang strategi data yang mungkin terdistorsi tahun lalu. Pastikan bahwa analisis data menjadi bagian dari keunggulan kompetitif. Kita tahu informasi ada di mana-mana. Kita menyambut perkembangan platform, alat, serta perangkat digital yang ada di mana-mana, dalam hampir setiap aspek kehidupan kita. Namun, ada contoh-contoh di mana manajemen analisis data dalam organisasi di setiap vertikal yang kurang optimal dan tidak disiapkan untuk mengantisipasi skalabilitas, kemampuan beradaptasi, dan penerapan menyeluruh di masa depan. Disrupsi tahun 2020 kini telah berlalu. Tahun 2021 dan selanjutnya dapat disebut sebagai periode penyusunan kembali dan penyesuaian berkelanjutan yang signifikan. Menurut Bob Eve, Senior Data Management Strategist, TIBCO Software, dengan berpikir tentang kelahiran kembali (dan bahkan kebangkitan), bagaimana bisnis dapat memastikan bahwa analisis data menjadi bagian dari keunggulan kompetitifnya, bukan malahan jadi penghambat kesuksesan? Permukaan dari Dampak Multi-vektor Ketika analitik data digunakan dengan seksama, bijaksana dan cerdas, dampak transformatifnya akan dirasakan di sejumlah vektor utama. Sebagai fondasi, analitik data memiliki kemampuan untuk meningkatkan serta memperbaiki proses bisnis yang ada untuk memastikan keunggulan operasional pada organisasi secara menyeluruh. Keunggulan tersebut kemudian tercermin dalam kemampuan untuk memberikan pengalaman pelanggan yang lebih menarik di pasar utama perusahaan… dan di seluruh rantai pasokannya. Dampak positif yang sama memungkinkan bisnis untuk berinovasi dan terlibat dalam inisiatif penemuan bisnis kembali. Penting untuk diingat bahwa tidak ada tongkat ajaib di sini. Artinya, tidak ada perusahaan yang berinvestasi untuk server, sistem, dan perangkat pengguna akhir, lantas mendeklarasikan bahwa dalam waktu semalam, dirinya telah berpusat pada data. Data adalah peluang, tetapi juga tantangan. Menurut update terbaru dari Global DataSphere dari International Data Corporation (IDC), lebih dari 59 zettabyte (ZB) data akan dibuat, diambil, disalin, dan digunakan di dunia pada tahun 2020* – dan itu adalah volume data yang sangat besar untuk dikelola. Tantangan data menjadi lebih sulit karena dari 103 Zettabyte data, hanya 15% dari data yang dibuat akan menjadi data asli yang baru. Sebagian besar tumpukan data baru yang harus kita “daki” setiap tahun merupakan salinan data yang sebenarnya sudah ada di tempat lain dalam database, aplikasi, layanan cloud, atau aliran informasi lain yang berbeda. Bahkan jika kita bisa fokus pada 15% segmen data baru dan asli, sebagian besar masih mentah, dalam format yang buruk, berpotensi rusak atau umumnya tidak terstruktur. Singkatnya, ada banyak hal yang harus dilakukan yang kita bisa uraikan menjadi lima building block tindakan yang dapat digunakan sebagai panduan strategis oleh setiap organisasi. Kembangkan Strategi Data Analitik yang Selaras Informasi memerlukan keteraturan, bentuk, dan struktur, sehingga organisasi harus mencerminkan kepatuhan tersebut pada tatanan sistematis dengan strategi analitik data yang mendukung, bahkan mempercepat strategi transformasi bisnis organisasi. Namun data adalah elemen bisnis yang hidup, dinamis, dan seringkali tidak terstruktur, yang dapat digunakan untuk serangkaian kebutuhan yang berubah, untuk kasus penggunaan yang berbeda dalam aplikasi yang berbeda melalui platform yang berbeda dari waktu ke waktu. Kita dapat mengelola ketidakpastian itu jika kita berinvestasi seperti manajer portofolio pasar saham dan memastikan bahwa kita tidak pernah menaruh semua telur kita dalam satu keranjang. Dalam skenario ini, organisasi membangun strategi analisis data yang memanfaatkan portofolio aset yang beragam, dengan fokus untuk mendorong lebih banyak nilai dari aset yang memacu dampak bisnis tertinggi, misalnya data terkait pelanggan yang membantu mendorong pertumbuhan pendapatan. Dengan begitu, kita dapat bertindak, mempelajari, dan meningkatkan bisnis berbasis data kita dari waktu ke waktu, sambil tetap memperhatikan batasan yang ditetapkan oleh manajemen risiko dan peraturan kepatuhan. Arsitektur Data Analitik Adaptif Tidak seorang pun memuji manfaat pendekatan sempit tertutup pada arsitektur analisis data, dan dengan alasan yang bagus. Membangun dan memelihara pendekatan terbuka dan adaptif untuk analitik data harus menjadi satu-satunya tujuan kita di sini. Ini karena topologi cloud-sentris terdistribusi saat ini memiliki pendekatan terpisah dan berlapis yang sama seperti yang ditunjukkan oleh desentralisasi data cerdas pada DNA-nya. Saat kita menggunakan pendekatan modern terhadap teknologi data lake (termasuk yang disebut data lake houses), kita dapat membuat solusi baru untuk manusia dan mesin yang berjalan pada arsitektur data terdistribusi yang dirancang untuk menjangkau data dari berbagai sumber, di mana pun, kemudian mengirimkan data tersebut ke konsumen mana pun, di mana pun, pada perangkat apa pun. Ini semua merupakan bagian dari apa yang sekarang sering kita sebut demokrasi data, yaitu membuat data itu sendiri serta fungsionalitas alat analisis data layanan mandiri tersedia untuk semua pengguna terlepas dari keterampilan teknis mereka. Arsitektur analitik data adaptif dan terbuka yang merangkul standar terbuka siap untuk perubahan bisnis di mana dan kapan itu terjadi – dan ini adalah satu konstanta yang biasanya selalu kita pertaruhkan. Agility Dorong Kapabilitas Bisnis Ketika kita berbicara tentang agility dalam lingkaran teknologi, kita sering memanfaatkan istilah tersebut untuk menghormati Agile Manifesto, yang memandu programmer untuk menyebarkan dengan cepat dan merangkul perubahan, secara dini dan sering. Manajemen data dan analitik data generasi berikutnya akan menggunakan metode pengembangan serta penerapan yang lebih gesit yang mengintegrasikan orang, proses, dan alat yang diperlukan untuk membantu organisasi membangun dan mengulang susunan data baru dan model AI / ML lebih cepat yang dengan demikian menghadirkan kemampuan bisnis baru dengan cepat. Dalam mengadopsi teknik DataOps dan ModelOps baru yang memastikan kelincahan lebih pada seluruh siklus hidup data, kita dapat memanfaatkan alat berbasis AI yang semakin meningkat untuk membantu mengoperasikan, mengoptimalkan, dan lebih mendemokratisasi analitik data. (Kemampuan) Orang Meningkat, Manfaat Kebebasan Mulai muncul di hampir setiap lapisan teknologi, kita akan melihat manfaat AI dan ML dalam pendekatan baru untuk analitik data. Organisasi sekarang dapat memanfaatkan kemampuan AI/ML modern di dalam tool analitik data yang mereka gunakan dan dengan demikian mengotomatiskan beberapa pekerjaan yang lebih dapat didefinisikan, dapat diulang, serta dapat diukur dan perlu mereka pegang secara teratur. Dan pada sisi analitik, penggunaan AI/ML yang lebih cerdas dapat membantu kita membangun algoritma analitik, mempelajari serta meningkatkannya secara berulang, menemukan pola dan wawasan baru tanpa pemrograman, juga mengoptimalkan kinerja run time data analitik run-time. Kita juga dapat melihat bahwa AI dan ML diterapkan dalam tool manajemen data untuk mengurangi beban kerja dengan mengotomatiskan proses manual seperti data discovery dan data matching, data model design, dan optimalisasi query. Data Analitik lanjutan untuk Masa Depan Sebagai landasan kelima–dan merefleksikan judul tulisan ini–mari pikirkan tentang analisis data tingkat lanjut (advanced data analytics) untuk masa depan. Organisasi kini memiliki kesempatan untuk memecah silo yang membentuk pendekatan total mereka terhadap mekanika data. Misalnya, di sebagian besar organisasi, manajemen metadata, manajemen data master, tata kelola data, katalog data, pemodelan data, kualitas data, keamanan data, serta integrasi data biasanya merupakan solusi terpisah. Hal yang sama juga terdapat pada aplikasi pelaporan, visualisasi, analitik, dan aplikasi ilmu data. Silo ini menyebabkan kompleksitas yang lebih besar, biaya yang lebih tinggi, serta gesekan internal yang lebih besar. Singkatnya, makin banyak usaha, nilai tambah justru berkurang. Pendekatan yang lebih progresif dan berorientasi masa depan melihat organisasi merangkul konvergensi teknologi saat mereka memperbarui tooling terbaik di kelasnya dengan analitik data yang mampu melakukan visualisasi secara swalayan, data science tingkat lanjut, streaming analytics, dan pelaporan. Data terus ada di mana saja, di setiap aplikasi, di setiap perangkat, dan sekarang di dalam setiap mesin cerdas. Saati mulai membangun pendekatan analitik data yang lebih bertenaga untuk masa depan, kita secara alami akan bekerja dengan lebih banyak jenis data dari lapisan pengguna akhir atas hingga file log yang lebih rendah serta system event. Sekarang adalah waktunya memanfaatkan data analitik masa depan dan, masa depan itu adalah sekarang. (red) |
Comments are closed.